- Oggetto:
Computational Application to Cognitive Neuroscience
- Oggetto:
Computational Application to Cognitive Neuroscience
- Oggetto:
Anno accademico 2024/2025
- Codice attività didattica
- FIS0249
- Docente
- Marco Tamietto (Titolare del corso)
- Corso di studio
- Laurea Magistrale Interateneo in Fisica dei sistemi complessi
- Anno
- 1° anno, 2° anno
- Periodo
- Primo Semestre
- Tipologia
- C=Affine o integrativo
- Crediti/Valenza
- 6
- SSD attività didattica
- FIS/07 - fisica applicata (a beni culturali, ambientali, biologia e medicina)
- Erogazione
- Tradizionale
- Lingua
- Italiano
- Frequenza
- Facoltativa
- Tipologia esame
- Orale
- Oggetto:
Sommario insegnamento
- Oggetto:
Obiettivi formativi
The course aims to provide advanced theoretical-practical knowledge about the applications of computational methods in neuroscience. The teaching offers an in-depth understanding of the principles through which the brain implements the main sensory, cognitive, and affective functions at various scales, from the individual neuron to the description of systems and networks at meso and macro scales. Various types of signals that can be derived from neural activity will be covered, with particular attention to neuroimaging techniques and the computational analyses dedicated to them. Finally, a module of the course will be dedicated to the development and application of artificial intelligence inspired by and/or dedicated to neuroscience.
The course is structured in two modules that cover both theoretical and practical aspects, offering interdisciplinary training that integrates concepts of system and computational neuroscience.
L'insegnamento mira a fornire agli studenti una conoscenza teorico-pratica avanzata sulle applicazioni di metodi computazionali nelle neuroscienze. L’insegnamento offre una comprensione approfondita dei principi attraverso cui il funzionamento cerebrale implementa le principali funzioni sensoriali, cognitive e affettive a diversi livelli di scala, dal singolo neurone fino alla descrizione di sistemi e network a livello meso e macro-scala. Saranno trattate le diverse tipologie di segnale che è possibile ricavare dall’attività neurale, con particolare attenzione alle tecniche di neuroimmagine e alle analisi computazionali a loro dedicate. Infine, un modulo del corso verrà dedicato allo sviluppo e applicazione dell’intelligenza artificiale ispirata e/o dedicata alle neuroscienze.
Il corso è strutturato in due moduli che coprono sia gli aspetti teorici che quelli pratici, offrendo una formazione interdisciplinare che integra concetti di neuroscienze dei sistemi e computazionali.
- Oggetto:
Risultati dell'apprendimento attesi
Knowledge and understanding: Students are expected to understand the fundamentals of neuron interaction, the principles governing their integration into areas, complex structures, and networks, as well as the computational methodologies capable of characterizing these systems.
Ability to apply knowledge and understanding: At the end of the course, students should be able to formulate a simple research question in the field of neuroscience and apply the most appropriate computational methodologies to empirically test it.
Conoscenza e capacità di comprensione: Ci si aspetta che gli studenti e le studentesse comprendano i fondamenti dell'interazione tra neuroni, e i principi che governano la loro integrazione in aree, strutture complesse e network, nonché le metodologie computazionali capaci di caratterizzare questi sistemi.
Capacità di applicare conoscenza e comprensione: Al termine del corso, gli studenti e le studentesse dovranno essere in grado di strutturare una semplice domanda di ricerca in ambito neuroscientifico e applicare le metodologie computazionali più adeguate a testarla empiricamente.- Oggetto:
Programma
Theory:
- The central nervous system: from the neuron to systems and their sensory, cognitive, and affective functions (functional anatomy)
- Methods of signal recording in the human brain: MRI, fMRI, EEG, and electrophysiology
- The structural properties of the brain: diffusion methods
- Analyses on brain signals: spontaneous signal (resting-state), evoked signal (task-based), structural, functional, and effective connectivity
- Normality and pathology in some case studies: the neural bases of awareness, emotions, and attention
Practice:
- Python recap
- Introductory lesson on the use of magnetic resonance data: Nibabel, Nilearn, and atlases
- The "maps" of the brain: the parcellation of brain areas based on anatomical, functional, and connectomic bases
- Characterizing and quantifying the brain's functional connectivity through network theory
- Dynamic Functional Connectivity: the human brain as a metastable dynamic system
- Studying the brain signal through information theory: redundant and synergistic connections
- Artificial intelligence and neuroscience: artificial neural networks as a model of the brain and machine learning-based brain decoding
Teoria:
- Il sistema nervoso centrale: dal neurone ai sistemi e le loro funzioni sensoriali, cognitive e affettive (anatomia funzionale)
- Metodi di registrazione del segnale nel cervello umano: MRI, fMRI, EEG ed elettrofisiologia
- Le proprietà strutturali del cervello: metodi di diffusione
- Le analisi sul segnale cerebrale: segnale spontaneo (resting-state), segnale evocato (task-based), structural, functional and effective connectivity
- Normalità e patologia in alcuni casi studio: le basi neurali della consapevolezza, delle emozioni e dell’attenzione
Pratica:
- Python recap
- Lezione di introduzione all’utilizzo del dato di risonanza magnetica: Nibabel, Nilearn e atlanti
- Le “mappe” del cervello: la parcellizzazione delle aree cerebrali su base anatomica, funzionale e connettomica
- Caratterizzare e quantificare la connettività funzionale del cervello attraverso la teoria delle reti
- Dynamic Functional Connectivity: il cervello umano come un sistema dinamico metastabile
- Studio del segnale cerebrale attraverso la teoria dell’informazione: connessioni ridondanti e sinergiche
- L’intelligenza artificiale e le neuroscienze: reti neurali artificiali come modello del cervello e machine learning-based brain decoding
- Oggetto:
Modalità di insegnamento
Theory: Classroom lectures using slides, supplemented by discussions and scientific readings.
Practice: Laboratory lectures, using notebooks and scripts in Python and Matlab.
Teoria: Lezioni in aula con utilizzo di slides, integrate da discussioni e letture scientifiche.
Pratica: Esercitazioni nei laboratori didattici o virtuali, utilizzando notebook e script in Python e Matlab
- Oggetto:
Modalità di verifica dell'apprendimento
The final exam will consist of an oral and a practical test. The practical test includes a final project in small groups, demonstrating understanding of the theoretical principles and the ability to apply the techniques introduced to empirically answer a research question. The oral test will focus on the topics covered in the lectures.
L'esame finale sarà composto da una prova orale e una pratica. La prova pratica include un progetto finale in piccoli gruppi, che dimostri la comprensione dei principi teorici e la capacità di applicare le tecniche introdotte per rispondere empiricamente ad una domanda di ricerca. La prova orale verterà sugli argomenti trattati a lezione.
- Oggetto:
Attività di supporto
Testi consigliati e bibliografia
- Oggetto:
Note
- Registrazione
- Aperta
- Oggetto:
